基于二叉树和随机邻域嵌入的视频指纹算法

针对互联网视频认证问题,提出了一种基于二叉树和随机邻域嵌入的视频指纹算法,该算法首先利用二叉树和归一分割理论选取视频代表帧,然后以代表帧亮度的离散余弦变换系数作为视频在高维空间的特征,利用随机邻域嵌入方法把视频高维特征投影到三维空间,以视频在三维空间中相邻投影点距离序列的均值和方差构造匹配密钥,以距离序列向量二值量化构造视频指纹;对于视频指纹匹配,首先利用匹配密钥进行初级匹配,缩小匹配范围,然后在候选指纹组内进一步匹配,从而达到视频认证的目的.

基于Manhattan距离与随机邻域嵌入的故障特征提取算法

随机邻域嵌入(stochastic neighbor embedding,SNE)算法在欧氏距离基础上定义了邻域概率函数,是一种基于数据间相似度的降维方法。针对欧氏距离在高维数据空间中不能提供较大的相对距离差、无法明显体现高维数据对象之间差异性的问题,提出一种基于Manhattan距离的随机邻域嵌入(Manhattan-SNE)算法。采用Manhattan距离衡量高维数据对象之间的相异度,得到高维空间和低维空间数据对象之间相似度的条件概率,嵌入目标是使得高维空间和低维空间的分布形式尽可能一致,选择KL散度作为算法的目标函数,通过梯度下降法寻找目标函数的最小值,从而得到算法的低维嵌入。测试与实验分析结果表明:所提算法的平均分类正确率有明显提高,证明了改进算法的有效性与实用性,可以用于故障数据的特征提取。

基于加权判别随机邻域嵌入的故障特征提取算法

针对大数据维数高、非线性强、噪声敏感、故障特征信息冗余、部分历史数据类别标记信息可获取等特点,对适用于非线性数据的t-SNE无监督流形学习方法进行改进,提出一种基于加权判别随机邻域嵌入的故障特征提取算法。在原始高维空间和相应的低维子空间定义包含类别信息的数据相似度,使用Manhattan距离作为度量方式以增大数据相对距离差,基于距离远近关系进行相似度加权,由此充分利用类别标记约束指导降维,使得类间更分散而类内更紧凑。结合KNN方法的UCI仿真数据集分类实验与KDD99网络故障诊断实验,表明该改进故障特征提取算法能够实现更有效的故障诊断。

信息增强随机邻域嵌入在故障检测中的应用

通过使高维空间的数据相似度按概率分布,在邻域嵌入后仍然保持相同的概率分布来实现非线性降维,随机邻域嵌入方法已成功应用于过程监测。然而,这种方法仅仅关注了数据成对样本之间的局部相似关系,忽视了远距离样本之间的非近邻关系。针对这个问题,提出了信息增强的随机邻域嵌入方法,利用基于几何测距的随机邻域概率分布度量样本之间的局部相似关系,同时关注了远距离样本之间的非局部结构关系,实现了非线性过程的特征提取。提出的信息增强随机邻域嵌入方法与传统的随机邻域嵌入方法相比,保持了更完整的结构信息,能更灵活地表征过程系统的状态,更具竞争力。所提方法在TE化工过程中进行仿真验证,并与现有的几种方法进行对比,结果表明了该方法的优越性。

基于t分布随机邻域嵌入的阿尔茨海默症诊断模型

对大脑皮层厚度数据进行建模从而实现阿尔茨海默症的诊断.在训练样本少,数据复杂且非线性的情况下,相比于BP神经网络和k最近邻等算法,支持向量机算法表现出更优良的特性.针对支持向量机算法受数据高维度的影响,将t分布随机邻域嵌入算法引入到支持向量机模型.t分布随机邻域嵌入算法既能撷取原始高维数据的局部信息,也能揭示全局结构.t分布随机邻域嵌入算法先将这些非线性数据降维到低维空间,支持向量机算法再将这数据映射到新的高维空间,通过寻找最佳分类超平面的方法,使分类效果达到最佳水平.最后将集成学习算法AdaBoost的思想融入模型,可以使模型的分类准确率得到提升,而且变得鲁棒性更强.

融合t-分布随机邻域嵌入与自动谱聚类的脑功能精细分区方法

本文针对目前脑功能分区不够准确的问题,基于静息态功能磁共振数据,提出了一种融合t-分布随机邻域嵌入(t-SNE)与自动谱聚类(ASC)的人脑功能精细分区的算法.首先,基于静息态功能磁共振图像,对需功能划分的脑区与全脑的时间序列作相关分析,得到需划分脑区的功能连接模式;然后,利用t-SNE算法提取高维功能连接模式特征;最后,通过基于本征间隙的ASC算法自动确定聚类数目,并对降维后的脑区特征分类,得到精细划分的脑亚区.模拟种子区域上的实验结果表明,相较谱聚类算法,以及结合主成分分析的谱聚类算法,本文方法对脑功能体素划分更优.进一步将本方法应用到真实人脑的功能分区中,成功地将海马旁回分为左右半球各3个亚区.本研究表明使用t-SNE与ASC融合的算法可提高脑功能分区准确性,是脑功能精细分区、进而构建脑功能图谱的一种有效方法.

基于t分布随机邻域嵌入算法的工业过程故障分类

针对在工业过程中数据普遍存在的非线性特性,基于数据的局部相关关系对分类的影响,提出一种基于t分布随机邻域嵌入(t-SNE)的数据特征提取和故障分类方法。利用t-SNE算法非线性、非参数降维的优势,与费舍判别分析(FDA)、支持向量机(SVM)分类器相结合建立故障分类模型。利用t-SNE算法对故障数据进行非线性特征提取,获取数据的关键区分特征。用FDA和SVM算法实现故障分类和识别。通过田纳西-伊士曼(TE)过程获得的实验数据进行实验仿真分析,并分别与基于核主元分析法(KPCA)、拉普拉斯特征映射(LE)构建的KPCA-FDA、LE-FDA、KPCA-SVM、LE-SVM 4种故障分类模型进行比较。定量评估结果表明:即使基于不同分类器,相较于其他2种方法,该文方法的分类准确率分别提升了2%和7%,且其平均分类准确率能保持在97%以上。

BH随机邻域嵌入在驾驶行为识别中的应用

针对驾驶系统处理大量驾驶数据时出现的效率和精度不足的问题,提出一种基于巴恩斯哈特随机邻域嵌入(BH-SNE)和径向基函数神经网络(RBFNN)的识别算法。从手机传感器中获取加速度数据、陀螺仪数据和磁强计数据,融合这三种传感器数据,经过预处理后使用BH-SNE完成降维处理,将降维数据输入到RBFNN中识别出驾驶行为。实验结果表明,BH-SNE的效率远高于t分布式随机邻域嵌入(t-SNE),并且可视化效果优于t-SNE,该模型的整体识别率为98.8%,分类效果优于传统的机器学习算法。

基于随机邻域嵌入的无监督复杂工况识别

现代工业生产设备通常结构复杂并交替运行于不同工况,基于监测数据进行准确的工况识别是对系统进行健康监测的基础,但系统的监测数据通常维度较高、数据量较大。针对设备复杂工况的识别问题,提出了一种基于随机邻域嵌入的无监督工况识别方法。采用随机邻域嵌入算法,能够保留数据的局部和全局结构特性;计算了高维和低维空间中数据点的概率相似性,可实现设备高维监测数据的降维和无监督聚类,在不建立系统模型的基础上达成准确识别系统工况的目的。结果表明:该方法可有效实现高维监测数据的复杂工况识别,是一种有效的无监督聚类学习方法。

温变下基于奇异谱分析的机电阻抗损伤识别法

为消除温度变化对损伤识别的影响,采用奇异谱分析(singular spectrum analysis,简称SSA)方法处理阻抗信号以分离不受温度变化影响的信号分量,提出结合t-分布随机邻域嵌入(t-distribution stochastic neighbor embedding,简称t-SNE)与K均值聚类算法的无监督机器学习方法,进一步处理信号分量实现损伤识别。为验证该方法的可行性,以螺栓组连接的铝板结构作为实验对象进行温度变化工况下螺栓松动机电阻抗损伤识别实验。结果表明,应用SSA方法得到的信号分量能在温度变化影响下有效识别螺栓松动状态,各工况识别准确率均达到98%以上,证明了所提出方法对消除温度变化影响的有效性。

基于可见-近红外光谱及随机森林的鸡蛋产地溯源

为了研究快速无损鉴别鸡蛋产地的可行性,利用可见-近红外光谱技术,采集4种湖北不同产地鸡蛋的透射光谱(500~900 nm),利用中心化、归一化、标准正态变量(SNV)、Savitzky-Golay平滑滤波(SG)和多元散射校正(MSC)、直接正交信号校正(Direct Orthogonal Signal Correction,DOSC)算法对光谱数据进行预处理,采用t分布式随机邻域嵌入(t-distributed stochastic neighbor embedding,t-SNE)、主成分分析(PCA)方法对预处理后的数据降维,并将降维后的数据分别输入极限学习机(extreme learning machine,ELM)和随机森林(random forest,RF),建立鸡蛋产地溯源模型。比较两种方法建立的模型,发现运用DOSC预处理及t-SNE提取的光谱特征信息建立的RF模型鉴别效果最好,训练集和预测集的鉴别正确率分别为100%和98.33%。研究结果表明基于可见-近红外光谱技术对鸡蛋产地溯源是可行的,为进一步研究与开发鸡蛋产地溯源便携式仪器提供技术支持。

基于改进CEEMDAN和t-SNE的故障特征提取方法

针对非线性、非稳定振动信号难以提取有效故障特征的问题,提出一种基于改进自适应噪声完备集合经验模态分解(CEEMDAN)和t-分布随机邻域嵌入(t-SNE)算法相结合的故障特征提取方法。利用三次Hermite插值代替三次样条插值构造包络线,提高传统CEEMDAN对非平稳信号的分解精度;利用改进后的CEEMDAN对原始信号分解并通过相关系数筛选出有效固有模态分量(IMF),提取有效IMF分量的时频特征、奇异值和能量值构建高维混合域特征集;最后,通过t-SNE算法挖掘高维混合域特征信息得到低维敏感特征,并将其输入到支持向量机中进行分类,以分类准确率作为特征提取效果评价指标。在齿轮箱故障模拟实验台进行实验验证,结果表明该方法能够准确地提取故障特征,为故障特征提取提供新思路。

一种基于降维密度聚类的船舶异常轨迹识别方法

目的有效分析和探索海洋船舶时空轨迹行为模式,提高船舶轨迹聚类的效率与质量,更好地检测真实船舶的异常行为。方法针对当前船舶轨迹数据研究中存在的对多维特征信息利用不足、检测效率不高、检测精度较差等问题,提出一种精确度高、能自主识别分析多维特征的船舶异常轨迹识别方法。首先利用随机森林分类器评估多维特征重要性,构建轨迹特征的最优组合;然后提出一种降维密度聚类方法,将T–分布随机邻域嵌入(T–SNE)和自适应密度聚类(DBSCAN)模型结合,通过构建特征选择层和无监督聚类层实现对数据元素非线性关系的高效提取以及对聚类参数的智能选择;最后根据聚类结果构建类簇特征向量,计算距离阈值判别轨迹相似度,实现轨迹异常检测模型的构建。结果以UCI数据集为例,降维密度聚类方法对4、13、30、64维特征数据集的F1分数能达到0.9048、0.9534、0.8218、0.6627,多个聚类指标均优于DBSCAN、K–Means等常见聚类算法的。结论研究结果表明,降维密度聚类方法能有效提取数据多维特征结构,实现聚类参数自适应,弥补密度聚类中参数难以确定的问题,有效实现对多种类型船舶轨迹异常的识别。

基于WPD-tSNE-SVM方法的电站机组主轴故障诊断分析

为提高电站机组主轴故障诊断效率,设计一种WPD-tSNE-SVM组合模型,采用小波包混合特征与支持向量机(SVM)对电站机组轴承开展故障诊断。研究结果表明:采用t分布式邻域嵌入方法降维数据呈现规律分布特征,说明小波包混合特征提取方法能够满足有效性。非线性SVM多故障分类器能够满足小波包混合特征的精确故障分析,各分类器都可以实现小波包混合特征集的高效分类,以径向基核函数设置的非线性SVM诊断方式达到了更高的准确率,从而为之后的维护保养过程提供参考价值,促进维护效率的进一步提升,有效保障电站机组主轴处于稳定运行状态。根据该方法诊断主轴轴承运行故障,为后续维护保养提供指导意义,获得更高的维护效率,确保电站机组主轴运行稳定性。

基于集成精细复合多元多尺度模糊熵的齿轮箱故障诊断

针对齿轮箱故障信号具有非线性和非平稳性的特点,且目前的方法对其特征提取不够充分这一问题,对不同形式粗粒化方法的集成、多通道信号处理方法在模糊熵算法上的应用进行了研究,提出了一种新的特征提取方法,即集成精细复合多元多尺度模糊熵(ERCmvMFE)算法,在此基础上,结合t分布随机邻域嵌入(t-SNE)和人工鱼群算法优化的核极限学习机(AFSA-KELM),提出了一种新的齿轮箱故障综合诊断方法。首先,采用多种形式粗粒化方法的集成方法以及多通道信号处理方法,对模糊熵算法进行了改进,并进行了齿轮箱故障的初始特征提取;然后,通过t-SNE压缩原始故障特征,实现了维数的约简,并将低维故障特征输入至AFSA-KELM中进行了故障的分类识别;最后,为了对ERCmvMFE方法的特征提取性能进行测试,采用QPZZ-II旋转机械故障模拟测试平台进行了相关的实验。实验结果表明:采用新的齿轮箱故障综合诊断方法能够对不同类型的齿轮箱故障进行可靠诊断,对齿轮箱5种工况下的20次识别实验中,获得的平均准确率可达98.92%,标准差为0.956,识别准确率和稳定性均优于其他对比方法。研究结果表明:采用ERCmvMFE算法能够更充分地提取出齿轮箱的故障特征,因此,基于该特征提取方法的故障诊断方法具有更高的齿轮箱故障识别准确率。

基于卷积神经网络的交直流输电系统故障诊断

随着交直流输电系统规模的不断扩大,电网结构和故障特征愈加复杂,现有故障诊断方法面对复杂电网和超大数据量时难以精准提取故障特征,急需适应性强且准确率高的电网故障诊断方法。为此提出一种基于卷积神经网络(CNN)的电网故障诊断方法。首先,通过逐层筛选、逐层增叠的网络构造方式逐步测试,其目的是为了构建充分适应于电网故障诊断的网络结构;然后,利用网络层级优化策略调整训练参数,并以交叉熵最小为目标对深层故障特征进行挖掘;最后,在MATLAB/Simulink平台上搭建交直流输电系统模型,结合t分布随机邻域嵌入(t-SNE)可解释性技术展示诊断效果,通过与传统方法对比证明所提方法能够深度挖掘故障特征且具备很高的诊断准确率。

基于空间坐标与振动特征融合的机床切削状态分类方法

t分布的随机邻域嵌入(t-distributed stochastic neighbor embedding, t-SNE)常被用作机床切削状态分类中的特征选择方法,以学习切削参数之间的潜在关系。为了提高切削状态分类的精度,融合振动信号特征与切削激励点的空间坐标,提出了空间坐标嵌入的t分布的随机邻域嵌入方法(spatial coordinate embedded t-SNE, Ct-SNE)。该方法采用振动信号构建高维特征空间,将空间坐标作为物理信息嵌入至特征空间,以优选出类内相似度高、类间差异性大的特征。试验采集了三轴立式铣床加工的数据,对比了传统t-SNE方法与Ct-SNE方法的可视化结果和切削状态分类的准确性。结果表明,与传统方法相比,切削激励点的空间坐标的引入可以提高振动特征的可区分度,显著提升切削状态分类的准确率。

基于纯电动汽车高频数据的驾驶风格分类方法

基于纯电动汽车的高频运行数据选取了15项与驾驶安全有关的特征参数;通过对各特征参数的统计分析,提出了多参数组合阈值边界线进行危险驾驶行为识别,然后对比分析了两种聚类算法和4种降维方法的效果,采用t分布随机邻域嵌入(t‑SNE)和高斯混合模型(GMM)组合算法建立了驾驶风格分类模型,将驾驶风格分为3种类型。在此基础上,研究了不同驾驶风格对应的车辆运行特性。该分类模型能够有效反映驾驶员的驾驶习惯,为车队管理和道路安全提供可靠的评估依据。

VMD和t-SNE相结合的滚动轴承故障诊断

滚动轴承故障诊断普遍采用有监督学习的方式,针对有标签数据难以获取的问题,提出一种VMD分解与t-SNE流形学习相结合的滚动轴承故障诊断方法。利用VMD分解将滚动轴承原始振动信号分解为若干本征模态分量(IMF);计算每个模态分量的时频特性指标组成高维故障特征,通过t-SNE对故障进行二次特征提取,获取低维敏感特征并将其作为K-means分类器的输入,实现故障类型的识别。将该方法应用到滚动轴承故障诊断中并与VMD+PCA、原始时频特征+t-SNE两种方法进行对比,结果表明VMD+t-SNE方法以无监督学习的方式实现了故障诊断的去标签化和自适应性,同时提高了故障诊断的准确性。

基于PCA与t-SNE特征降维的城市植被SVM识别方法

以高光谱图像降维为研究问题,针对主成分分析法(PCA)投影结果混叠、线性不可分和t-分布式随机邻域嵌入算法(t-SNE)内存占用大、运行时间长等不足,提出了一种基于PCA与t-SNE结合的高光谱图像降维方法。设计了基于SVM的城市植被识别模型,有效地提高了运行速率,进而更好地提取高光谱图像的本质特征,提高了高光谱图像中城市植被的分类精度。实验选取肯尼迪航天中心(KSC)数据为对象,结果表明,PCA-t-SNE-SVM算法总体分类精度可达92.06%,Kappa系数为0.91时,分类效果最优,相较于PCA-SVM和t-SNE-SVM算法,总体分类精度分别提高了13.51%和3.33%,Kappa系数分别提高了0.15和0.04,均表现出良好的性能。